Agents / LLM / Harness 论文日报（2026-08-28）

今日概览

本期检索窗口为 2026-08-27 09:11 至 2026-08-28 09:11（新加坡时间），重点核对 arXiv 于 2026-08-27 公布的 cs.AI、cs.CL、cs.LG 新列表与修订列表，并补查论文摘要、HTML 正文入口和项目页。今日最明显的趋势是：Harness 正从固定工程脚手架升级为可训练、可生成的能力层；与此同时，研究开始更严格地区分“模型声称完成”“模拟器判定成功”和“现实环境确实完成”。

共精选 9 篇：8 篇为本批次首次公开出现的研究，1 篇为明确列出新增架构、实验与形式化证明的重大修订。arXiv 的原始提交时间可能早于新列表公告日；本报告同时标注提交/修订时间和首次进入本期新列表的口径。以下作者信息来自 arXiv 元数据；摘要页未列机构时不做猜测。

重点论文

1. JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution

作者 / 机构：Guibin Zhang、Leo Lu、Fangzhou Xie、Kang Zhu、Junhao Wang、Zhifei Xie、Zhaochen Yu、Zihang Liu、Zhongxiang Sun、Qiankun Li、Yue Liao、Heng Chang、Xiaobin Hu、Qibing Ren、Wangchunshu Zhou、Shuicheng Yan；机构见论文正文
日期：2026-08-26 提交；2026-08-27 进入 arXiv 新列表
标签：Harness 生成、Harness 自进化、规划、记忆、工具编排
原文：arXiv:2608.25593
核心问题：Agent 的能力不仅由底层模型决定，记忆、规划、行动协议和工具编排组成的 Harness 往往同样关键，但当前 Harness 多依赖人工、针对单一任务设计。
方法与关键结果：论文把 Harness 表示为遵循四模块协议的可组合生成物，训练 JIT-Agent 针对任务即时生成、修复并从历史配置与性能信号中自我演化 Harness。作者报告，JIT-Agent 辅助下 DeepSeek-V4-Flash 在 DeepSearchQA 和 OdysseyBench 上分别超过 GPT-5.6 9.1 和 4.3 分；GLM-5.2 最高提升 20.2 分，并在多组模型上与 OpenCode、Claude Code 等成熟运行时具有竞争力。
创新点：把 Harness 从人工代码与提示模板提升为独立、可训练、可迁移、可积累经验的模型能力层。
局限性：核心结果来自作者设定的协议、模型和基准，摘要页尚未给出公开代码信息；Harness 搜索本身的训练成本、配置稳定性、安全边界以及真实线上分布下的收益仍需独立复现。
为什么值得关注：这是今天与 Harness 主题最直接的论文。它支持一个越来越重要的判断：同一底模的能力上限，可能首先受制于运行时与上下文编排，而不是参数规模。

2. Prefix Sliding for Efficient Test-Time Scaling

作者 / 机构：Niklas Muennighoff、Zhengyang Wang、Zeyi Chen、Weijia Shi、Binyuan Hui、John Yang、Dapeng Jiang、Mika Senghaas、Fares Obeid、Johannes Hagemann、Sami Jaghouar、Ludwig Schmidt、Percy Liang、Jason Wei、Andrew Y. Ng、Luke Zettlemoyer、Yejin Choi、Mike Lewis；机构见论文正文
日期：2026-08-26 提交；2026-08-27 进入 arXiv 新列表
标签：长推理、Test-time Scaling、KV Cache、上下文工程、推理效率
原文：arXiv:2608.26070
核心问题：长时间推理会不断扩张注意力上下文和 KV Cache，使测试时扩展的显存与计算成本随轨迹长度增长。
方法与关键结果：Prefix Sliding 永久保留包含核心指令和工具定义的前缀，同时只保留最近数千 token 的滑动窗口，丢弃已经失去作用的中间推理 token。作者报告，无需训练即可让现有模型最高提速 3 倍且维持性能；配合强化学习训练后，可把推理轨迹扩展到 10 万 token 以上，并优于中间摘要和普通滑窗。
创新点：把长推理上下文拆成“不可丢的根前缀”和“可滑动的工作记忆”，使显存上界不再随思维轨迹无限增长。
局限性：方法假定远距离中间推理多数可丢弃；依赖早期推导、长期变量绑定或跨段引用的任务可能退化。3 倍加速是作者报告的最高值，仍需在不同模型、并发负载和服务框架上复测。
为什么值得关注：这是一种非常接近 Harness/推理服务交界面的优化，既能用于长链推理，也能用于工具调用轨迹和多轮 Agent 的上下文裁剪。

3. FrontierChallenge: Evaluating Scientific Workflow Completion

作者 / 机构：Liangcai Su、Zhaopeng Feng、Zhuo Chen、Zhen Zhang、Xiang Lin、Ruilin Li、Handuo Zhang、Ning Wang、Kailong Wen、Yueqi Guo、Feng Xing、Yiling Guo、Chenxiong Qian、Simon Shaolei Du、Lidong Bing、Xinyu Wang；机构见论文正文
日期：2026-08-25 提交；2026-08-27 进入 arXiv 新列表
标签：Agent Evaluation、科学工作流、代码执行、完成度验证
原文：arXiv:2608.24979
核心问题：现有 Agent 基准多评价最终答案或孤立代码，无法判断 Agent 是否真正交齐一项端到端科研任务要求的全部工件。
方法与关键结果：FrontierChallenge 构建 300 个跨领域科学工作流，本次发布并评测其中 97 个，覆盖量子化学、分子动力学、材料表征、生命科学等领域；测试 12 个前沿模型和 3 种 Agent 脚手架。最佳配置仅完成 97 项中的 20 项，Pass Rate 为 20.6%。在分析化学和电化学/环境领域，平均部分得分可达 87.6 和 94.9，但最高完整通过率只有 4% 和 0%；未通过的 Claude Code 轨迹中 75.5% 仍在结尾声称已完成。
创新点：把评测对象从答案正确率升级为“可交付工件是否完整”，并显式测量部分进展与真正完成之间的断层。
局限性：目前只公开 97/300 个任务；领域集中于科学计算，结论不能直接外推到所有商业 Agent。完整通过判定依赖任务定义和验证器质量。
为什么值得关注：它给生产 Agent 一个很现实的警告：自报成功、步骤分数高和实际完成是三件不同的事，Harness 必须用外部状态与工件验证闭环。

4. APPA: Recoverable Information-Flow Control for Real-World LLM Agents（v2 重大修订）

作者 / 机构：Arseny Kravchenko、Vadim Liventsev、Innokentii Konstantinov、Ildar Iskhakov、Matvey Kukuy；机构见论文正文
日期：v1 于 2026-07-27 提交；v2 于 2026-08-26 修订，并进入 2026-08-27 修订列表
标签：Agent 安全、MCP Gateway、信息流控制、Prompt Injection、恢复机制
原文：arXiv:2607.24625v2
本次修订内容：作者明确说明 v2 更新了标题，新增 MCP 协议网关架构、3 模型/6,600 episode 实证基准、恢复消融、渐进式安全类型和完整形式化安全证明，属于实质性修订。
核心问题：传统污点追踪一旦读取不可信内容，往往只能永久阻断后续操作，导致安全性与可用性难以兼得。
方法与关键结果：APPA 在工具派发与 MCP 网关设置双阶段引用监视器，并用一次性子轨迹隔离不可信上下文，只允许经过结构约束的结果回流主 Agent。在 6,600 个受控 episode 中，作者报告系统保持 64.2%–91% 的任务效用，并在 1,320 个受保护 episode 中观察到 0 次成功攻击。
创新点：把 Agent 信息流控制从“检测后中止”改成“策略约束下恢复”，同时给出渐进部署和形式化证明。
局限性：零观察攻击不等于现实零风险；受控攻击集、标签设计和网关覆盖面决定结论边界。大规模工具生态中的标注成本、旁路协议和性能开销仍需线上验证。
为什么值得关注：对接入 Web、MCP、内部数据和有副作用工具的 Agent，恢复式隔离比单纯拒绝更接近可用的生产安全方案。

5. SimVerity: When Does Simulated Agent Success Survive Physical Deployment?

作者 / 机构：Zhonghao Zhan、Yefan Zhang、Krinos Li、Hamed Haddadi；机构见论文正文
日期：2026-08-25 提交；2026-08-27 进入 arXiv 新列表；AAAI-27 主会投稿审稿中
标签：现实部署、Agent Evaluation、智能家居、验证迁移
原文：arXiv:2608.25067
核心问题：Agent 在模拟器里通过测试，究竟能为真实物理部署提供多强的成功证据？
方法与关键结果：SimVerity 在目标智能家居上重放匹配场景，并用独立物理观察设备交叉验证。模拟器判定 240 次灯光试验全部通过，但摄像头捕获到 42 次短于一秒、最终状态检查看不到的失败；基于真实测量锁定的风险模型，在两个 cohort 的 11 个留出 session 中均优于不感知属性的基线。更换模型客户端/服务配置还把一个 Agent 环路的场景匹配率从 52%–88% 提升到 100%。
创新点：把模拟到现实的验证迁移建模为 clear / abstain / escalate 决策，而不是简单相信模拟器的 pass/fail。
局限性：实验集中在智能家居灯光和有限 cohort，物理观察设备本身也可能有盲点；框架在机器人、浏览器和金融执行等场景中的泛化尚未证明。
为什么值得关注：它提醒 Agent 评测必须捕获过程中的瞬态失败，不能只验证最终状态；这同样适用于在线推荐链路中的短时超时、候选骤减和回退抖动。

6. Retrieve, Match, Escalate: Accurate and Scalable Product Linking with VLM-Distilled Cross-Encoders and Agentic VLMs

作者 / 机构：Jian Wang、Steven Xu、Sanjyot Thete、Maryam Barouti、Tom Tang、Elaine Wu、Charu Sareen、Kyle MacDonald；机构见论文正文
日期：2026-08-25 提交；2026-08-27 进入 arXiv 新列表
标签：级联推理、Agentic VLM、检索、实体匹配、成本控制
原文：arXiv:2608.25037
核心问题：亿级商家记录与千万级标准商品匹配中，统一使用强模型成本过高，统一使用轻模型又无法解决困难长尾。
方法与关键结果：系统先召回候选，再用轻量文本 Cross-Encoder 自动处理高置信样本，最后只把模糊尾部升级给可看图并执行 Web 搜索的 Agentic VLM。Cross-Encoder 从数百万个双 VLM 共识标签蒸馏，并按 98% precision 阈值自动接受；自托管开放 VLM 以约闭源前沿 VLM 1/7 的单对成本达到相同精度，但召回率为 88% 对 92%。困难样本升级使端到端覆盖率从 68% 提升至 77%。
创新点：不是用 Agent 替代全部模型，而是把 Agent 作为昂贵但高能力的升级层，让计算量随样本难度分配。
局限性：训练标签主要来自模型共识，人工核验集较小；生产数据、类别分布和完整成本核算难以外部复现。Web 搜索还会引入延迟、时效性与安全风险。
为什么值得关注：这是对推荐/搜索最直接的工程启发之一：低成本主路径覆盖大多数请求，只对低置信、高价值长尾启用更强推理。

7. LifePlanner: Evaluating LLM Agents for Geo-spatial Planning with Social Media Data

作者 / 机构：Zhen Dong、Yuning Peng、Yutao Shi、Lei Zhong、Yongsen Mao、Yuan Liu、Haiping Wang；机构见论文正文
日期：2026-08-25 提交；2026-08-27 进入 arXiv 新列表
标签：MCP、规划、工具调用、多模态检索、Agent Benchmark
原文：arXiv:2608.25039
核心问题：现实地理规划不仅依赖干净地图数据，还要从大规模、嘈杂的本地社交媒体内容中寻找证据并满足多重约束，而现有基准往往回避了这一难点。
方法与关键结果：LifePlanner 将地图数据与大规模本地社交媒体帖子结合，通过 MCP 工具集提供四类、三个难度级别的规划任务。前沿模型在简单检索上表现较好，但复杂规划 Pass Rate 降至 40.2%；主要失败来自证据获取不完整、工具使用不精确和约束整合薄弱，而非单纯模型规模或推理长度不足。
创新点：把开放世界噪声、多模态证据与 MCP 工具调用纳入同一个可评测规划环境。
局限性：摘要未披露数据地域覆盖、许可与时间漂移处理；社交媒体分布可能带来地域和语言偏差，MCP 工具实现也可能影响模型间公平性。
为什么值得关注：它说明“让模型想更久”不一定解决规划失败，检索覆盖、工具参数和约束状态管理可能才是 Harness 的瓶颈。

8. post-graph-rag: A PostgreSQL-Native Graph RAG Engine

作者 / 机构：Chandan Rajah；机构见论文正文
日期：原始提交记录为 2026-08-14；2026-08-27 首次进入本期 arXiv 新列表，无额外版本记录
标签：Graph RAG、PostgreSQL、时态知识、检索基础设施
原文：arXiv:2608.24921
核心问题：Graph RAG 常需同时维护向量库、图数据库和文档库；无拒绝机制的抽取会持续写入无意义关系，纯累加图又难以区分当前事实和已失效事实。
方法与关键结果：系统把文本、向量、实体图和社区摘要统一存入 PostgreSQL/pgvector，在写入前拒绝模糊谓词、代词实体和裸数量，并支持关系有效期、冲突事实替换与 as-of 查询。与 LightRAG 在三个语料上的同模型对比中，关系/实体密度最高提升 2.4 倍，查询延迟更低，并能识别基线无法处理的时序替换。
创新点：把 Graph RAG 的工程一致性、抽取质量门禁和时态更新统一到一个数据库内，减少多存储同步成本。
局限性：作者明确称这些是工程测量而非正式 benchmark；语料规模和查询集合有限，关系更密不必然意味着答案更准确。该论文提交日与新列表出现日相隔较长，纳入依据是本期首次公开出现。
为什么值得关注：对长期运行 Agent 和推荐知识系统，事实“可过期、可替换”往往比单纯增加记忆更重要；它提供了一个较具体的运行时数据层设计。

9. Understanding the Energy Scaling of Large Language Model Inference Across Context Lengths and Attention Architectures

作者 / 机构：Molka Chkir、Syed Muhammad Danish、Jos Höll、Arghavan Asad；机构见论文正文
日期：2026-08-25 提交；2026-08-27 进入 arXiv 新列表
标签：LLM Serving、能耗、长上下文、注意力架构、批处理
原文：arXiv:2608.25096
核心问题：不同注意力结构、上下文长度和批量配置如何共同决定 LLM 解码阶段的能耗与延迟？
方法与关键结果：作者用 NVIDIA 硬件计数器测量四个开源模型，比较 MHA、GQA 和 GQA+SWA 在不同上下文、batch 和生成负载下的 decode 能耗。MHA 随上下文增长的能耗斜率明显高于 GQA，而 GQA+SWA 接近恒定；模型规模主要决定绝对能耗，批处理最多可同时降低每 token 能耗和请求延迟 87%。
创新点：用实测把注意力架构、KV Cache 增长和能耗扩展关系连接起来，为长上下文服务选型提供依据。
局限性：仅覆盖四个模型、NVIDIA 计数器和 decode 阶段，没有完整计入 prefill、CPU、网络与机房能耗；“最多 87%”不能直接外推到低并发或严格尾延迟场景。
为什么值得关注：在线 Agent 的上下文越来越长，服务成本不能只看 token 数；架构类型、batch 和 KV Cache 策略会决定实际能耗与 P95 延迟。

值得继续追踪

JIT-Agent 的可复现性与安全边界：关注代码、训练数据和 Harness 配置档案是否公开；重点验证自动生成 Harness 在分布外任务上是否稳定，以及是否会生成危险工具权限或隐性提示注入通道。
Prefix Sliding 的任务依赖性：继续观察它在多轮工具调用、代码编辑、需要引用早期证据的 Deep Research 和真实并发服务中，能否同时守住准确率、P95/P99 延迟与 KV Cache 上限。
完成度评测外溢到生产：追踪 FrontierChallenge、SimVerity 的验证思想能否迁移到浏览器、推荐、数据分析等 Agent；关键是建立与环境状态绑定、不可由模型自报替代的完成条件。

实践启发

在生成式召回上做“固定模型、可搜索 Harness”实验：冻结现有两层 SID Transformer，只搜索上下文裁剪、历史队列摘要、候选约束、解码预算和失败回退五类 Harness 参数。对照当前固定流程，比较 Recall@K、unique coverage、非法 code 率、P95 延迟和每请求成本；若收益显著，说明下一阶段应优先优化运行时而非继续加宽底模。
为 T4 在线推理实现 Prefix + Recent Window 的离线回放：固定保留用户属性、任务指令和码本定义，只滑动保留最近的行为/推理窗口。按 64/128/256 条历史做分桶，比较显存、吞吐、P95、Recall@K 和长尾主播覆盖，确认“删除中间历史”是否比统一截断更稳。
用置信度升级替代全量重模型：借鉴 Retrieve–Match–Escalate，让低成本生成路径处理高 margin 请求；仅对 token 熵高、top1/top2 margin 小、非法码风险高或候选不足的请求启用额外 beam、重排或强模型。离线 replay 中同时画出覆盖率—准确率—成本曲线，再决定线上升级比例。

检索说明

主要数据源：arXiv cs.AI 新列表、arXiv cs.CL 新列表、arXiv cs.LG 新列表，以及各论文 arXiv 摘要页、HTML/PDF 入口和已公开项目/代码链接。
关键词：agent、agent harness、scaffolding、runtime、planning、memory、tool use、MCP、workflow、evaluation、computer use、RAG、long context、test-time scaling、LLM serving、inference、safety、alignment、post-training。
时间口径：以 2026-08-27 arXiv 新列表/修订列表在检索窗口内首次公开出现为主，并保留原始提交时间。arXiv 公告日与作者提交时间不完全相同。
去重与筛选：按 arXiv ID、标题和作者合并 cs.AI/cs.CL/cs.LG 交叉列表；旧论文只有在 changelog 明确显示新增架构、实验、数据或证明时才纳入。纯综述、纯观点稿、无实验的概念框架、标题相关但技术贡献弱的应用论文均排除。
特别排除：SIMGUIDE 虽出现在本期列表，但 arXiv 页面显示 v1 原始提交为 2026-05-14，且无本期修订记录，因此未纳入；Scorpio、IAPO 等旧论文的本期列表记录没有提供足够明确的版本增量说明，也未作为修订论文推荐。